Computational Intelligence Assisted Design -- In Industrial Revolution 4.0 (计算智能在工业4.0的应用) --绪论_人工智能工业4.0英文文献-程序员宅基地

技术标签: 学习笔记  工业4.0  智能算法  计算智能  

  本文内容是李耘,陈益老师的英文著作《Computational Intelligence Assisted Design – In Industrial Revolution 4.0》的中文翻译,因没有中文版书籍,所以希望翻译内容有助于内容的理解。

  在工业4.0时代,设计和创造对全球经济和制造业至关重要,是体现企业最具创新性的活动之一。随着对定制和灵活性,设计效率和响应性以及产品及其制造的成本效益的要求不断提高,对智能设计系统的需求日益增长。德国“工业4.0”倡议旨在通过将工厂变成一个能够大规模定制的创新中心,来升级整个制造业价值链,这就使得上述要求在下一次“工业革命”的国际竞争中变得尤为紧迫。 ------引自1.4 设计和工程中的计算智能需求

(第一章)绪论

1.1 简介

  计算智能是一组受自然启发的计算方法,在复杂问题的解决中提供了丰富的功能。计算智能是模仿自然界,特别是生物界的生物个体或群体的生存规律、进化规律设计的求解复杂问题的一组计算方法。与传统的优化方法相比,计算智能的第一个优点是不需要构造目标函数来搜索非线性或不可微空间,从而无论对现实问题能否准确分析和表示,计算智能都可以为许多多学科应用提供有效或可行的解决方案。计算智能的另一个优点是在构造适应度函数时具有灵活性,适应度函数可以表示为系统输出的函数。当难以获得明确的目标函数,传统优化模型往往无法处理不断变化的条件或环境中的不确定性,这时CI在处理复杂问题时尤其具有吸引力。

  本书阐述了计算智能算法的四种模型:模糊逻辑理论(FL)、人工神经网络(ANNs)、进化计算(EC)和群体智能(SI)。近年来,与计算智能理论相关的各种研究工作取得了重大进展,本书也介绍了包括群体智能(SI)、人工免疫系统(AIS)、量子计算(QC)和DNA计算(DNAC)等新发展的方法。下图提供了计算智能家族树。

1.2 计算智能的历史

  人工智能(AI)、软计算和自然计算这三个术语在研究中被广泛应用于类似甚至相同的领域。被称为人工智能之父的约翰·麦卡锡(John McCarthy)指出,“计算智能(CI)”是人工智能这一主题最合适的名称,它突出了计算机在人工智能中所扮演的关键角色[Andresen(2002)]。

  Bezdek在1992年正式引入了“计算智能(CI)”一词,试图将“计算智能(CI)”一词与IEEE计算智能协会(IEEE CIS)的若干活动联系起来[Bezdek (1992), Bezdek(2013)];然而,Bezdek并不认为自己是计算智能(CI)这个术语的鼻祖[Bezdek(2013)]。同时,他还讨论了计算智能(CI)这个术语不同的来源和创造者,并且认为他的工作只是促进这个术语在各个研究领域变得更受欢迎。

  此后,计算智能(CI)在学术和工业应用领域得到了越来越广泛的研究和应用,相关的关键词也越来越多,如人工智能、物联网、大数据、云计算、智能机器人、工业4.0等。由于了解每个计算智能(CI)族成员的发展有助于了解整个计算智能(CI)的历史,因此在本节中,我们将讨论1.1节所列的计算智能(CI)族成员的发展历史。

1.2.1 模糊逻辑理论

  20世纪20年代到30年代,Lukasiewicz和Tarski提出“无限值逻辑”方法,这是模糊逻辑的首次研究。此外,在20世纪50年代和60年代初,人们对模糊逻辑理论又有了很大的兴趣[Pelletier (2000)]。模糊逻辑理论是基于模糊集的概念,它最早由Lotfi A. Zadeh在1965年提出[Zadeh (1965a)]。Zadeh在1962年发表《模糊集的概念》[Zadeh (1962)],在这之前的几年中他一直从事模糊数学和系统理论方面的研究。2015年,Zadeh发表了一篇从历史角度介绍模糊逻辑理论的新论文[Zadeh(2015)],距离他在1965年发表的第一篇关于模糊集的论文刚好50周年。表1.1总结了Zadeh从一开始到现在在模糊逻辑理论方面的一些研究成果。

1.2.2 人工神经网络

  人工智能中使用的神经网络,传统上被视为大脑神经处理的简化模型,尽管该模型与大脑生物结构之间的关系仍存在争议;目前尚不清楚神经网络在多大程度上反映了大脑功能[Russell(2012)]。
  现代神经网络的研究归功于神经生理学家的工作。1943年,McCulloch和Pitts [Mccllochw和Li(1943)]发表了第一篇关于神经网络的论文,提出了一种基于数学和算法的神经网络计算模型,称为“阈值逻辑”。事实上,人工神经网络是受人类大脑中神经元的形态和生物物理特性启发的生物启发计算模型。这种网络可以模拟人脑处理信息的方式,主要有两种方式:(1)神经网络通过学习获得知识;(2)神经网络的知识储存在神经元之间的连接中,称为突触权重。1948年以来,研究人员一直在研究艾伦·图灵(Alan Turing)的无组织机器和人工神经网络,特别是在它们展示智能行为的潜力方面[Webster(2012)]。20世纪40年代末,心理学家Hebb [Hebb(1949)]基于神经可塑性的机制提出了学习假说,即Hebbian 学习(又称Hebb法则、Hebb假设或细胞组装理论)。Hebbian学习被认为是一种“典型的”无监督学习规则,其后来的变体是长时程增强(LTP)(一种细胞模型)的早期模型。1948年,图灵的B型机器开始将这些想法应用到计算模型中[Webster(2012)]。
  1954年,Farley和Wesley [Farley and Clark(1954)]首次提出了神经网络计算机,称为calculators,用于模拟麻省理工学院的Hebbian网络。其他的神经网络计算机器是由Rochester等人在1956年创建的[Rochester, et al.(1956)]。1958年Rosenblatt [Rosenblatt(1958)]提出感知机,这是一种用于模式识别的算法,该算法是基于一个使用简单加减法的两层计算机学习网络。Rosenblatt用数学符号描述了一种电路,它不能被基本感知机处理,比如异或电路,直到1974年Werbos [Werbos(1974)]创建反向传播算法之后这种电路的数学计算才得到处理。这就有效地解决了异或问题。
  1969年,Minsky and Papert [Minsky and Papert (1969)] 发现了计算机处理神经网络的两个关键问题:(1)单层神经网络无法处理异或(XOR)问题;(2)计算机没有足够的处理能力来有效地处理大规模人工神经网络所需的长时间运行。
  自20世纪80年代以来,人工神经网络的研究已经取得了显著的进展,并得到了广泛的应用。1986年,并行分布式处理在“联结主义”下变得流行起来。Rumelhart和McClelland [Rumelhart和McClelland(1986)]在书中对联结主义在计算机中模拟神经过程的应用进行了全面的阐述。1989年,第二代神经元结合非线性激活函数,从而使非线性问题得以解决,促进人工神经网络进一步发展。
  支持向量机和线性分类器等方法,在机器学习领域逐渐代替了神经网络的应用。然而,
21世纪初深度学习的出现重新激起了人们对神经网络的兴趣。表1.2总结了关于人工神经网络的工作。

1.2.3 进化计算

  20世纪50年代,研究人员将进化思想应用到工程问题优化中,开始研究进化系统,其总体思路是使用受自然遗传变异和自然选择规律启发的进化算子将一群候选解决方案发展为给定问题。Fogel[Fogel (2002)]进行了进化过程的一系列综合模拟,例如遗传系统模拟,连锁效应模拟,上位性模拟,繁殖率和其他因素对选择进化率的影响模拟,人口的遗传变异性和其他统计数据模拟等 [Fraser (1957), Fraser (1957), Fraser (1958), Fraser (1960a), Fraser (1960b), Fraser (1960c),Fraser (1962), Fraser (1968), Fraser (1970)]。Fogel也与该领域的其他人合作进行了进化系统研究[Fraser and Burnell (1967), Fraser and Burnell (1967), Fraser, et al. (1966),Fraser and Hansche (1965), Barker (1958a), Barker (1958b), Gill (1963),Gill (1965), Gill (1965)Selection, Martin and Cockerham (1960),Crosby (1960), Crosby (1963), Crosby (1973), Justice and Gervinski (1968),Fogel and Fraser (2000), Wolpert and Macready (1997)],例如遗传学中的计算机模型。1958年和1959年,Friedberg和他的同事[Friedberg (1958), Friedberg, et al. (1959)] 开发了一种带有语言代码的学习机器。在20世纪90年代中期,Fogel的工作[Fogel (1998)]展示了进化算法从20世纪50年代初到90年代初期的发展历史。
  此后,进化计算(EC),或进化算法(EAs)常常用于优化,机器学习和解决设计问题。进化计算(EC) 利用模拟进化来搜索最优解,以确定复杂问题的最佳参数。本书中,我们在所有章节中都使用了术语“进化计算(EC)”。进化算法有许多不同类型,本书介绍了三种类型:遗传算法(GAs),进化策略和进化规划[De Jong, et al. (1997), Whitley (2001), Melanie (1998),Sumathi and Paneerselvam (2010)]。

1.2.3.1 遗传算法(GAs)

  遗传算法(GAs)是受达尔文进化论启发,由Bremermann[Bremermann (1958)]在1958年提出的一类计算方法。遗传算法最受欢迎的作品之一是Holland在20世纪70年代早期出版的《自然和人工系统》[Holland (1975)]。他的工作起源于对细胞自动机的研究,这些研究是他与密歇根大学的同事和学生一起进行的[De Jong (1975), Holland (1968),Goldberg (1989)]。Holland提出了一种用于预测下一代进化质量的形式化框架,称为Holland模式定理[Holland (1975), Holland (1968)]。直到20世纪80年代中期,当时在美国宾夕法尼亚州匹兹堡举行了第一次有关遗传算法的国际会议,对遗传算法的研究仍然很大程度上停留在理论层面。此后,更多的研究集中于遗传算法[Deb and Kumar (1995), Nix and Vose (1992), Vose and Liepins (1991),Rogers and Prddotugel-Bennett (1999)],并且已经提出了一些改善的遗传算法[Kotani, et al. (2001)], 如微生物遗传算法(micro-GAs) [Goldberg (1989), Krishnakumar (1989), Chen and Song (2012)]以及孟德尔遗传算法(Mendel-GAs) [Chen and Zhang (2013)]。表1.3提供了关于进化计算和遗传算法的研究的简要文献综述。
  特别是在1992年,Koza [Koza (1992), Koza (1994)]利用遗传算法进化程序,以在一个称为遗传规划(GP)的过程中执行某些任务。遗传规划是一种搜索寻优技术,它使遗传算法能够搜索计算机程序的潜在无限空间,而不是针对组合优化问题的固定长度空间。这些计算机程序通常采用Lisp符号表达式的形式,称为S表达式。将遗传算法应用于S表达式而非组合结构的思想最初起源于Fujiki and Dickinson [Fujiko and Dickinson (1987)]的工作,并通过Koza [Koza (1992)] 的工作而受到重视。表1.4列出了近年来遗传规划的一些工作。

1.2.3.2 进化策略(ES)

  20世纪60年代,Rechenberg [Rechenberg (1965), Rechenberg (1973)] 提出了进化策略(ES)思想,用于优化翼型等设备的实值参数。之后Schwefel [Schwefel (1975), Schwefel (1977), Schwefel (1981),Schwefel, et al. (1991), Schwefel (1995)] 进一步发展了这种方法。此后,进化策略一直是一个活跃的研究领域,并且其发展很大程度上独立于进化计算的其他领域;同时,它也一直与进化计算的其他领域相互作用。

1.2.3.3 进化规划(EP)

  1965年Fogel等人[Fogel, et al. (1966)] 提出了进化规划(evolutionary programming,EP)技术,将候选解表示为有限状态机,然后通过突变状态转移图和选择最合适的解进行随机进化。自20世纪80年代中期以来,进化规划被发展用于解决更一般的任务,包括预测问题、数值和组合优化以及机器学习[Fogel and Ghozeil (1997), Schwefel (1981), Fogel (1991),Fogel and Atmar (1991), Fogel (1995)Machine, Fogel (1999)]。1992年,第一届进化规划(ES)年会在加州拉霍亚举办,此后,每年都举办相关会议作进一步研究。表1.6总结了有关进化规划(ES)的一些工作。

1.2.4 群体智能

  近年来,群体智能受到了研究者的广泛关注,并已成功地应用于各种应用中。总体而言,群体智能解决的是一种集体行为模型,这种模型中,简单个体之间以及个体与环境之间局部交互的集体行为,导致出现了连贯的功能性全局模式[Kennedy and Eberhart (2001)]。群体是一组个体集合,通过这组个体分别对应特定行为模式以实现特定目标。从计算的角度来看,群体智能模型是一种用于求解分布式优化问题的计算算法。如表1.7所示,许多研究人员一直在研究和提出各种群体智能模型,其中最广为人知的模型包括蚁群优化模型(ACO) [Colorni, et al.(1992),Colorni, et al.(1992), Dorigo, et al. (1996)],粒子群优化模型(PSO) [Kennedy and Eberhart (1995), Del Valle, et al. (2008)],以及人工蜂群模型(ABC) [Seeley (1996), Teodorovic, et al (2006)]。

1.2.5 人工免疫系统(AIS)

  量子计算(QC)是一种基于量子力学原理的计算模型[Furia (2006)]。由于经典计算机模拟量子系统的计算难度,因此引入了量子力学计算模型。最早的模型是由Manin [Manin (1980), Manin (1999)]以及Feynman [Feynman (1982)] 在20世纪80年代初完成的。表1.9对量子计算的研究进行了简要回顾。
  量子计算涉及一种理论计算系统,它直接利用量子力学现象(如叠加和纠缠)对数据进行运算。很明显,通过将量子计算应用于各种计算智能系统来加速计算过程,能在很大程度上促进计算智能系统的工程目标实现。然而,在同样的目标下,设计比现有经典算法更有效的量子算法来解决某些计算智能问题确实是非常困难的。

1.2.6 量子计算(QC)

  DNA(脱氧核糖核酸)作为遗传信息的存储介质存在于每一种细胞生物中。它由核苷酸组成,核苷酸由附着在其上的化学基团或碱基来区分。这四个碱基分别是腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶和胸腺嘧啶(T)。多个核苷酸端对端连接在一起形成DNA链。
  DNA计算(DNA computing, DNAC)属于自然计算领域,它是基于这样的思想:DNA链的编码信息可利用过程分子生物学进行算术和逻辑运算[Kari, et al. (2010)]。作为一种新的计算模型,DNA计算在解决复杂问题方面具有优势:(1)DNA编码和DNA分子操作适用于表示复杂信息;(2)由于其并行计算特性,DNA计算可以缩短计算时间;(3)DNA分子拥有巨大的存储容量,可以解决大规模,多变量的问题。然而,与传统计算方法相比,DNA计算有一些缺点,例如不方便、不可扩展以及代价昂贵,从而利用DNA计算解决实际工程问题是比较困难的。因此,借助数字计算机,Garzon等人模拟了一个虚拟试管,并使用电子DNA重现了Adleman的实验[Garzon, et al. (1999)]。
  另一方面,DNA计算的理论研究包括设计一些潜在实验,试图通过DNA操作解决各种问题。这类实验的描述包括可满足性问题[Lipton (1995)],数据加密标准的突破[Boneh, et al. (1996)],符号行列式的展开[Leete, et al. (1999)],矩阵乘法[Oliver (1996)],以及有界邮政通信问题[Kari, et al. (2000)]。表1.10总结了DNA计算的一些工作。

1.2.7 DNA计算(DNAC)

  DNA(脱氧核糖核酸)作为遗传信息的存储介质存在于每一种细胞生物中。它由核苷酸组成,核苷酸由附着在其上的化学基团或碱基来区分。这四个碱基分别是腺嘌呤(A)、鸟嘌呤(G)、胞嘧啶和胸腺嘧啶(T)。多个核苷酸端对端连接在一起形成DNA链。
  DNA计算(DNA computing, DNAC)属于自然计算领域,它是基于这样的思想:DNA链的编码信息可利用过程分子生物学进行算术和逻辑运算[Kari, et al. (2010)]。作为一种新的计算模型,DNA计算在解决复杂问题方面具有优势:(1)DNA编码和DNA分子操作适用于表示复杂信息;(2)由于其并行计算特性,DNA计算可以缩短计算时间;(3)DNA分子拥有巨大的存储容量,可以解决大规模,多变量的问题。然而,与传统计算方法相比,DNA计算有一些缺点,例如不方便、不可扩展以及代价昂贵,从而利用DNA计算解决实际工程问题是比较困难的。因此,借助数字计算机,Garzon等人模拟了一个虚拟试管,并使用电子DNA重现了Adleman的实验[Garzon, et al. (1999)]。
  另一方面,DNA计算的理论研究包括设计一些潜在实验,试图通过DNA操作解决各种问题。这类实验的描述包括可满足性问题[Lipton (1995)],数据加密标准的突破[Boneh, et al. (1996)],符号行列式的展开[Leete, et al. (1999)],矩阵乘法[Oliver (1996)],以及有界邮政通信问题[Kari, et al. (2000)]。表1.10总结了DNA计算的一些工作。

1.3 迈向工业4.0的道路

  工业革命始于英国,大多数重要的技术革新都是英国人发明的。“工业革命”一词最早出现在1799年7月6日法国特使路易斯-纪尧姆·奥托(Louis-Guillaume Otto)的一封信中,他在信中宣布法国已加入工业化竞赛[Francois (1996)]。图1.2显示了工业革命的简史。

  • 第一次工业革命发生在1760年到1820年至1840年期间,标志着工业逐渐向新制造业过渡。工业革命的开始与18世纪下半叶的少数技术创新密切相关,比如纺织技术、蒸汽动力、钢铁制造和机床的发明等[Bond,
    et al. (2011)]。
  • 在1840年至1870年过渡期间,随着蒸汽运输(电话,灯泡,留声机,内燃机,铁路,船只和船舶等)的日益普及,以及在蒸汽动力工厂中越来越多地使用大规模制造机床和机械,技术和经济持续进步,第一工业革命逐渐演变为第二工业革命[Wikipedia
    (2018)]。
  • 在可持续发展的分布式资本主义时代下,第三次工业革命是设计和制造的数字化,带来了互联网、绿色电力和3D打印等技术[Rifkin (2015)]。
  • 第四次工业革命,也被称为工业4.0(i4),是当前制造业自动化和数据交换技术发展的趋势,其中包括网络物理系统(CPS)、物联网、云计算、机器人、人工智能、纳米技术、生物技术等。工业4.0已经开始了,并为工厂发展提供了有吸引力的机遇[Wikipedia(2018)]。

  当前,工业4.0指的是工业价值链和技术向智能制造演变,以及网络嵌入式系统,网络物理系统(CPS) [Sha and Gopalakrishnan (2009),Kim and Kumar (2012)],智能工厂,物联网(IoT),服务互联网(IoS),“互联网+”和“5G”电信等[Flores, et al. (2015)],如图1.3所示。随着工业4.0的出现,设计和制造目前正朝着一种新的模式转变,旨在增强创新,降低成本,更好地响应客户需求,提供最佳解决方案,建立智能系统以及实现按需生产。所有这些趋势的共同点是将多个功能集成在同一个地方,以应对由互联网和云计算激增的计算决策和大数据的挑战[Lee (2013)]。工业4.0研发的最新进展主要体现在智能制造商对数字化制造的提升,即基于智能互联生产的工业互联网[Annunziata and Evans (2012)],使工厂成为自动化创新中心[Siemens (2015)]。然而,目前缺乏的是:使工业4.0在价值链上进一步提升的“智能设计”工具以及价值链末端的“市场信息学”,这两者都是工厂层面创新需要考虑的因素。

1.4 设计和工程中的计算智能需求

  研究表明,使用数字样机的制造商构建的物理样机数量是一般制造商的一半,产品提前58天进入市场,样机成本降低48%[Aberdeen (2006)]。 本书介绍了CIAD框架的概念及其多学科应用,其目标是缩短产品研发时间并降低潜在成本10—50%。由于CIAD将能够帮助工业和社会保持其竞争优势,并在工程、科学、卫生保健、教育和社会服务等多学科领域提供改进和影响,因此本书有助于为设计和制造领域的研究提供推动力。
  在工业4.0时代,设计和创造对全球经济和制造业至关重要,是体现企业最具创新性的活动之一。随着对定制和灵活性,设计效率和响应性以及产品及其制造的成本效益的要求不断提高,对智能设计系统的需求日益增长。德国“工业4.0”倡议旨在通过将工厂变成一个能够大规模定制的创新中心,来升级整个制造业价值链,这就使得上述要求在下一次“工业革命”的国际竞争中变得尤为紧迫。
  2011年汉诺威工业博览会恢复了“工业4.0” 这一术语。2012年10月,工业4.0工作组向德国联邦政府提交了一套工业4.0实施建议。工业4.0工作组成员被公认为是工业4.0的创始人和推动者[Wikipedia (2018)]。
  由于本书涵盖理论研究和应用研究,这不仅对智能设计,工程和制造领域不断扩大的需求有潜在影响,而且对大学和工业研究的多学科领域,如科学,技术,工程和数学((STEM);生命科学以及社会科学等,产生方法论影响。机器人、工程设计与制造、动力学与控制、大数据系统以及各种相关专业学科领域的研究人员和学生能够从中受益。
  本书通过设计和制造自动化的创新以及增加经济活动的可能方式,为经济增长提供了新的见解。它将有助于工厂与用户之间进行知识整合,从而最大限度地促进研究成果共享,以便实现潜在的长期合作。

1.5 术语和定义

1.6 专业和应用领域

1.7 信息来源

1.8 如何使用本书

使用本书之前:
  本书的许多章节需要具备数值模拟、编程、动力学、控制工程、应用数学、工程设计和计算智能的基本知识。如果不熟悉MATLAB,C/C++,伪代码和程序流程图,我们强烈建议读者补充学习上述先决条件知识。本书试图让想了解更多特定主题信息或者想了解不断发展的新方法的研究人员在新兴研究道路上获益。这部分简要介绍了各种方法,面向实际应用的章节内容将有助于读者将这些方法应用到他们自己的研究中。

本书分为四个部分:
第一部分介绍了计算智能的三个核心技术:模糊逻辑理论、神经网络和遗传算法。
第二部分介绍了一些先进的计算智能算法,如作为优化工具的群算法和一些可用于评估其性能的度量指标。
第三部分介绍了CIAD的概念框架及其在控制系统、电池容量预测等科学技术中的应用。
第四部分介绍了CIAD在社会科学中的一些应用,如汇率调查、电力消耗和城市空间分析。

参考网站:
  本书有一个配套网站。鼓励学生和从业者访问http://www.i4ai.org/EA-demo/。其他资源将在本网站上公布,包括更多CIAD定义,案例研究,相关CIAD材料,插图和有用的链接。

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_44260900/article/details/97024399

智能推荐

《树莓派Python编程入门与实战》——3.2 检查你的Python环境-程序员宅基地

文章浏览阅读304次。本节书摘来异步社区《树莓派Python编程入门与实战》一书中的第3章,第3.2节,作者:【美】Richard Blum,更多章节内容可以访问云栖社区“异步社区”公众号查看3.2 检查你的Python环境树莓派Python编程入门与实战Raspbian发行版默认安装了Python第三版环境和一些必要的工具。下面是预装了的Python功能。Python..._怎么查树莓派是否有python环境?

工具IDEA 配置springboot+maven项目-程序员宅基地

文章浏览阅读81次。工具IDEA 配置springboot+maven项目 首先安装IDEA,至于怎么安装就不介绍了。。第一步 配置maven环境 首先安装maven,先在网上下载一个maven包。在IDEA的settings中Maven设置 点击USer settings file 文件夹正常的是空白 如图找到你下载的maven文件夹,引入setti..._maven项目怎么配置springboot

GSL 系列 5 — 向量和矩阵 2 — 向量 (vector)_gsl_vector *-程序员宅基地

文章浏览阅读1.3k次。文章目录0 写在前面1 向量 (vector)0 写在前面因为向量是构建于块之上,请先理解块,参见:GSL 系列 5 — 向量和矩阵 1 — 块 (block)1 向量 (vector)向量建构于块之上,添加了对块的切片描述,向量切片必须是内存空间中一组等间隔的元素,不同的向量可以创建于一个块之上,定义如下:// gsl_vector_double.htypedef struct {..._gsl_vector *

c语言 之求 Fibionacci 数列的前n个数_求fib序列c语言-程序员宅基地

文章浏览阅读1.9k次。Fibionacci数列有如下特点:前两个数都为1,从第三个数开始,该数是前两个数之和。即:F1=1;(n=1)F2=1;(n=2)Fn=Fn-1+Fn-2;(n>2)下面给出几种求法:解法一:#include int fib(int n){ int fib1 =1; int fib2 =1; int fib = 1; int i = 0; while (_求fib序列c语言

matlab aerospace模块,免费试用Aerospace Toolbox-程序员宅基地

文章浏览阅读302次。请选择其一AlabamaAlaska美属萨摩亚APO/FPO AAAPO/FPO AEAPO/FPO APArizonaArkansasCaliforniaCaroline IslandsColoradoConnecticutDelawareDistrict of ColumbiaFlorida格鲁吉亚关岛HawaiiIdahoIllinoisIndianaIowaKansasKentuckyLo..._aerospace toolbox的使用

Google构建VR/AR生态系统标准“双平台”,高性能传感器同样需验证-程序员宅基地

文章浏览阅读106次。集微网消息,近几年以VIVE/Oculus Rift为代表的VR产品的热销,带动了VR市场的兴起,同时随着去年AR游戏的迅速普及和今年春节前支付宝上线了AR实景红包,引爆AR市场,VR/AR已经进入了人们的日常生活。根据投资银行Digi-Capital预测,至2020年,全球VR与AR市场规模将达到1500亿美元。IDC公司近期预测,中国VR市场将在20..._谷歌为开发者提供的俩个vr ar平台是

随便推点

OpenSSL杂记(CA证书)-程序员宅基地

文章浏览阅读896次。OpenSSL和OpenSSHOpenSSH只允许白名单的用户登录1、限制前:[email protected]'s password: [ww@qq ~]$ exitlogoutConnection to 10.201.106.129 closed.[root@zz ~]# ssh [email protected]@10.201.106.129's password: ...

GPIO 口的输入,输出模式及其说明_gpio_mode_in-程序员宅基地

文章浏览阅读4.2w次,点赞65次,收藏351次。GPIO端口各种模式的区别(1)GPIO_Mode_AIN 模拟输入(2)GPIO_Mode_IN_FLOATING 浮空输入(3)GPIO_Mode_IPD 下拉输入(4)GPIO_Mode_IPU 上拉输入(5)GPIO_Mode_Out_OD 开漏输出(6)GPIO_Mode_Out_PP 推挽输出(7)GPIO_Mode_AF_OD 复用开漏输出(8)GPIO_Mode_A..._gpio_mode_in

CSS的三种引入方式_css 的三种引入方式-程序员宅基地

文章浏览阅读3k次,点赞3次,收藏14次。CSS的引入方式共有三种:行内样式、内部样式表、外部样式表。_css 的三种引入方式

javascript用js简单的实现电子时钟_4、编写程序,实现电子时钟效果,要求每隔1秒获取一次当前时间,并提供一个按钮控制-程序员宅基地

文章浏览阅读3.6k次,点赞3次,收藏12次。<!DOCTYPEhtml><htmllang="en"><head><metacharset="UTF-8"><metaname="viewport"content="width=device-width,initial-scale=1.0"><title>Document</title><!--给div一个简单样式--><..._4、编写程序,实现电子时钟效果,要求每隔1秒获取一次当前时间,并提供一个按钮控制

HIDL最全编译流程_如何编译hidl-程序员宅基地

文章浏览阅读2.1w次,点赞22次,收藏151次。想了解HIDL介绍的可以参考《HIDL概述》,本篇文章主要介绍HIDL的详细编译流程及简单的客户端应用(C++跟Android客户端的应用)。一、准备工作整一套源码,Android O或者Android P的 保证全套代码已经全编译,原生代码全编译命令source build/envset.sh lunch make 3、hidl-gen工具已经安装,安装命令make h..._如何编译hidl

jupyter notebook在一个.ipynb中调用另一个文件里的函数-程序员宅基地

文章浏览阅读873次。import一个路径解析的.py模块参考资料:http://blog.csdn.net/wangjian1204/article/details/67633614转载于:https://www.cnblogs.com/HITSZ/p/7099872.html_ipynb可以调其它python里的函数吗